基于YOLOv5s的繼電保護(hù)裝置型號自動識別方法研究

摘 要：【目的】在工業(yè)自動化和電力系統(tǒng)中，繼電保護(hù)裝置是確保電力系統(tǒng)安全穩(wěn)定運(yùn)行的關(guān)鍵組件。為保證設(shè)備的正常測試和維護(hù)，需要準(zhǔn)確識別繼電器型號。因此，提出一種基于YOLOv5s的繼電保護(hù)裝置型號自動識別方法?！痉椒ā客ㄟ^自制數(shù)據(jù)集，并利用YOLOv5s的高效目標(biāo)檢測能力，結(jié)合多尺度特征融合圖像處理技術(shù)，實(shí)現(xiàn)對繼電保護(hù)裝置型號的自動識別。【結(jié)果】對系統(tǒng)進(jìn)行實(shí)驗(yàn)測試，結(jié)果顯示，該方法在繼電器型號識別任務(wù)中的準(zhǔn)確率和召回率分別為90.3%和85.6%，能滿足實(shí)際應(yīng)用需求?！窘Y(jié)論】該方法不僅提高了設(shè)備測試和維護(hù)的效率，還為電力系統(tǒng)的安全穩(wěn)定運(yùn)行提供了可靠的技術(shù)支持。

關(guān)鍵詞：繼保護(hù)裝置；YOLOv5s；目標(biāo)檢測；型號識別；深度學(xué)習(xí)

中圖分類號：TM77" " "文獻(xiàn)標(biāo)志碼：A" " 文章編號：1003-5168（2024）24-0023-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.24.005

Research on Type Automatic Identification Method of Relay Protection Device Based on YOLOv5s

Abstract： [Purposes] In industrial automation and power systems， relay protection devices are key components for ensuring the safe and stable operation of power systems. Accurate identification of relay models is crucial for the proper testing and maintenance of equipment. To address this need， this paper proposes a relay protection device model identification method based on YOLOv5s." [Methods] By using the highly efficient target detection capability of YOLOv5s and image processing technology such as multi-scale fusion， the automatic identification of the relay protection device model was realized in the self-made data set.[Findings] The experimental results show that the accuracy and recall rates of the method are 90.3% and 85.6% in the task of relay type identification， which can effectively meet the needs of practical applications.[Conclusions] This approach not only enhances the efficiency of equipment testing and maintenance but also provides reliable technical support for the safe and stable operation of power systems.

Keywords： relay protection device; YOLOv5s; object detection; model identification; deep learning

0 引言

繼電保護(hù)裝置在工業(yè)控制系統(tǒng)中起著至關(guān)重要的作用，其通過檢測電力系統(tǒng)中的故障，并及時做出響應(yīng)，防止設(shè)備損壞和停機(jī)事故發(fā)生，從而保障系統(tǒng)安全穩(wěn)定運(yùn)行。在電力變電站、輸電線路及配電系統(tǒng)中，繼電保護(hù)裝置的應(yīng)用廣泛。無論是在正常運(yùn)行前的初次調(diào)試，還是在日常使用過程中的維護(hù)和檢修，繼電保護(hù)裝置的性能和可靠性測試是不可或缺的。對繼電保護(hù)裝置進(jìn)行定期測試和維護(hù)［1］，能有效預(yù)防潛在的故障，確保電力系統(tǒng)的持續(xù)穩(wěn)定運(yùn)行［2］。準(zhǔn)確識別出繼電保護(hù)裝置的型號對設(shè)備的測試、維護(hù)和故障排除等工作的開展具有重要意義。不同型號的繼電保護(hù)裝置在功能、參數(shù)和適用場景等方面存在顯著差異。因此，正確識別出不同型號的繼電保護(hù)裝置不僅能提高工作效率，還能確保維護(hù)工作的準(zhǔn)確性和有效性。例如，在電力系統(tǒng)中，一些繼電保護(hù)裝置可能是專門用來保護(hù)特定類型的電力線路，而另一些則可能是用來保護(hù)變電站設(shè)備。如果無法準(zhǔn)確識別和區(qū)分這些設(shè)備，在維護(hù)和故障排除過程中可能會浪費(fèi)不必要的時間和資源，甚至?xí)l(fā)更大的系統(tǒng)風(fēng)險(xiǎn)。

隨著科技的進(jìn)步，尤其是深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測方法為繼電保護(hù)裝置型號識別提供了新的解決方案。使用大量的圖像數(shù)據(jù)對深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，使其能自動提取特征，并進(jìn)行準(zhǔn)確的分類和檢測［3］。近年來，YOLO（You Only Look Once）系列模型因具有端到端的檢測能力和高效的實(shí)時性而得到廣泛應(yīng)用。YOLO模型將目標(biāo)檢測任務(wù)簡化為一個單階段的過程，通過一次前向傳播即可完成目標(biāo)定位和分類，不僅能顯著提高檢測速度，還能在保持較高精度的同時，降低計(jì)算的復(fù)雜度。近年來，YOLO算法已被廣泛應(yīng)用于多個領(lǐng)域，如無人駕駛［4-5］、人臉識別［6-7］、農(nóng)業(yè)科技［8-10］等，表明其具有強(qiáng)大的適應(yīng)性和實(shí)用性。

本研究提出一種基于YOLOv5的繼電保護(hù)裝置型號自動識別方法，利用YOLOv5的強(qiáng)大檢測能力，實(shí)現(xiàn)對繼電保護(hù)裝置型號的自動識別。首先，通過收集和標(biāo)注大量繼電保護(hù)裝置的圖像數(shù)據(jù)，建立一個涵蓋多種型號的圖像數(shù)據(jù)庫。其次，利用這些數(shù)據(jù)對YOLOv5模型進(jìn)行訓(xùn)練，使其能自動提取圖像特征，并準(zhǔn)確區(qū)分不同型號的繼電保護(hù)裝置。最后，在模型訓(xùn)練過程中，采用數(shù)據(jù)增強(qiáng)技術(shù)，以增強(qiáng)訓(xùn)練數(shù)據(jù)的多樣性和魯棒性，進(jìn)而提高模型的泛化能力。實(shí)驗(yàn)結(jié)果表明，基于YOLOv5的繼電保護(hù)裝置型號識別方法在準(zhǔn)確率和實(shí)時性方面均表現(xiàn)優(yōu)異，能有效應(yīng)用于實(shí)際工業(yè)環(huán)境中。

1 圖像采集及標(biāo)注

圖像采集及標(biāo)注是機(jī)器學(xué)習(xí)的關(guān)鍵步驟之一。在對繼電保護(hù)裝置型號識別進(jìn)行研究時，發(fā)現(xiàn)這一領(lǐng)域的研究相對較少，尚未有成熟的公開數(shù)據(jù)集可供使用。因此，本研究采用自制數(shù)據(jù)集進(jìn)行研究。首先，需要收集包含不同型號繼電器的圖像數(shù)據(jù)。為了確保數(shù)據(jù)集的多樣性和數(shù)量充足，本研究通過視頻錄制的方式來獲取圖像數(shù)據(jù)，通過對不同型號的繼電器從各個角度進(jìn)行拍攝，并選取合適的幀率，從視頻中提取出原始圖像。通過這種方法，共獲得485張?jiān)紙D像，這些圖像涵蓋了多種角度和狀態(tài)的不同型號繼電器。其次，對收集到的圖像進(jìn)行標(biāo)注，并對每張圖像中的繼電保護(hù)裝置進(jìn)行識別和標(biāo)記，記錄其型號信息。數(shù)據(jù)集的部分樣本圖像如圖1所示。

2 YOLOv5s的繼電保護(hù)裝置型號檢測模型

2.1 YOLOv5s模型

YOLOv5系列有四種模型，分別為YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x。盡管這些模型的配置文件相同，但在模型大小和計(jì)算復(fù)雜度上卻有所不同。從模型大小和復(fù)雜度上來說，YOLOv5s是YOLOv5系列中最小的版本，計(jì)算復(fù)雜度最低。由于YOLOv5s具有輕量化的特性，使其非常適合資源有限的設(shè)備和需要實(shí)時檢測的應(yīng)用場景。相較于 YOLOv5m、YOLOv5l和YOLOv5x，YOLOv5s的精度較低，但其檢測速度最快。盡管精度不如其他型號，但在許多實(shí)際應(yīng)用中，YOLOv5s的性能仍然非常出色?？傮w來說，YOLOv5s 在保持較高檢測性能的同時，通過減少模型復(fù)雜度，實(shí)現(xiàn)更高速度和更低資源消耗，非常適合需要快速響應(yīng)和計(jì)算資源有限的應(yīng)用場景。YOLOv5s 網(wǎng)絡(luò)沿用了YOLO系列的整體布局，整個網(wǎng)絡(luò)結(jié)構(gòu)依次分為輸入端、骨干網(wǎng)絡(luò)（Backbone）、頸部網(wǎng)絡(luò)（Neck）及輸出端 。其中，輸入端用于預(yù)處理輸入圖像，并將其調(diào)整為適合網(wǎng)絡(luò)處理的尺寸；Backbone用于提取圖像的基本特征，YOLOv5s使用的是一種輕量化的骨干網(wǎng)絡(luò)，可減少計(jì)算復(fù)雜度；Neck用于進(jìn)一步處理Backbone提取到的特征，并進(jìn)行多尺度特征融合，提高檢測的魯棒性；輸出端負(fù)責(zé)生成最終的檢測結(jié)果，包括目標(biāo)的邊界框、類別和置信度。具體網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

2.2 損失函數(shù)選擇

本研究選擇CIOU_Loss為損失函數(shù)，其中，IOU為交并比，即預(yù)測框與真值框之前的相交區(qū)域與合并區(qū)域的面積之比，具體計(jì)算見式（1）。

式中：A為預(yù)測框；B為真值框。當(dāng)IOU值為1時，表示預(yù)測框與真值框完全吻合。

而CIOU_Loss是在IOU的基礎(chǔ)上，引入修正因子[v]，使得損失函數(shù)對不同形狀的目標(biāo)框更具魯棒性。相較于傳統(tǒng)的IOU Loss，CIOU_Loss因包含了更多的幾何信息能更快地收斂，從而得到最優(yōu)解。其具體的計(jì)算見式（2）。

式中：[d]為目標(biāo)框中心點(diǎn)與預(yù)測框中心點(diǎn)的歐式距離；[c]為對角線距離；[wg、hg、wp、hp]分別為預(yù)測框和真值框的長與寬。 CIOU損失函數(shù)示意如圖3所示。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)基于PyTorch深度學(xué)習(xí)框架，具體實(shí)驗(yàn)參數(shù)見表1。

3.2 評價指標(biāo)

實(shí)驗(yàn)采用精確率（Precision，P）、召回率（Recall，R）、平均精度（average precision，AP）、平均精度均值（mean Average Precision，mAP）等指標(biāo)來評價模型效果。精確率P具體的計(jì)算見式（3）。

式中：TP為識別出正確的正樣本個數(shù)； FN為識別出錯誤的負(fù)樣本的個數(shù)；FP為識別出錯誤的正樣本的個數(shù)。

召回率R表示模型分類器預(yù)測是正樣本且真實(shí)是正樣本的比例占所有真實(shí)是正樣本的比例，具體計(jì)算見式（4）。

AP是精確率—召回率曲線下面積的度量，反映在各個召回率水平下的平均精確率。針對每個類別，可計(jì)算出其對應(yīng)的Precision-Recall曲線，并計(jì)算該曲線下面積，即為該類別的AP值。AP值的取值范圍為0～1，數(shù)值越接近1，表示模型在該類別上性能越好。而mAP是所有類別的AP值的平均值，用來綜合評估模型在多類別目標(biāo)檢測或識別任務(wù)中的整體性能表現(xiàn)，二者具體的計(jì)算見式（5）、式（6）。

3.3 實(shí)驗(yàn)結(jié)果

首先，按照4∶1的比例將數(shù)據(jù)集分成訓(xùn)練集和測試集。其次，以輸入圖像分辨率640 px×640 px，訓(xùn)練總輪數(shù)為300輪的參數(shù)進(jìn)行訓(xùn)練。最后，將訓(xùn)練好的模型在驗(yàn)證集上進(jìn)行驗(yàn)證。其準(zhǔn)確率和召回率分別為90.3%和85.6%。在測試集上的識別效果如圖4所示。

4 結(jié)語

本研究提出一種基于YOLOv5s的繼電保護(hù)裝置型號識別方法，從而滿足工業(yè)自動化和電力系統(tǒng)中對繼電器型號準(zhǔn)確識別的需求。利用YOLOv5s的高效目標(biāo)檢測能力，并結(jié)合圖像處理技術(shù)，實(shí)現(xiàn)對不同型號繼電器的自動識別。實(shí)驗(yàn)結(jié)果顯示，該方法在繼電器型號識別任務(wù)中有著較高的準(zhǔn)確率和實(shí)時性，能有效滿足實(shí)際應(yīng)用的需求。本研究為提升繼電保護(hù)裝置的測試和維護(hù)效率提供了有力的技術(shù)支持。

參考文獻(xiàn)：

［1］郭兆琪.繼電保護(hù)自動化裝置的故障檢修與改進(jìn)措施研究［J］.城市建設(shè)理論研究（電子版），2024（18）：7-9.

［2］常建.電力系統(tǒng)自動化繼電保護(hù)裝置及其測試研究［J］.光源與照明，2023（12）：74-76.

［3］金瑋，孟曉曼，武益超.深度學(xué)習(xí)在圖像分類中的應(yīng)用綜述［J］.現(xiàn)代信息科技，2022，6（16）：29-31，35.

［4］楊明瑞，古玉鋒.基于改進(jìn)YOLOv5的無人駕駛農(nóng)業(yè)車輛視覺檢測［J］.南方農(nóng)機(jī)，2024，55（1）：21-23，37.

［5］王亮，張超.一種基于YOLOv5的輕量型行人檢測方法［J］.工業(yè)控制計(jì)算機(jī)，2023，36（4）：84-86，89.

［6］張瑞民，李宇涵，申海杰.基于YOLO的智能門禁系統(tǒng)設(shè)計(jì)［J］.電子制作，2023，31（6）：74-77.

［7］宋傳旗.YOLOv5算法的人臉識別檢測方法研究［J］.計(jì)算機(jī)時代，2023（7）：15-19.

［8］岳耀華，張偉，亓立強(qiáng).基于改進(jìn)YOLOv5的田間大豆花朵生長狀態(tài)識別方法研究［J］.中國農(nóng)機(jī)化學(xué)報(bào)，2024，45（7）：188-193，2.

［9］蔡易南，肖小玲.基于改進(jìn)YOLOv5n的葡萄葉病蟲害檢測模型輕量化方法［J］.江蘇農(nóng)業(yè)科學(xué)，2024，52（7）：198-205.

［10］王帥，王利眾，朱麗平，等.基于改進(jìn)YOLOv5s的蘋果病害檢測技術(shù)研究［J］.山西農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，44（4）：118-129.